论文部分内容阅读
全球正处于突发公共安全事件的高发期,每年因此类事件带来的经济损失不可估量。对地铁、车站、机场等公共场所进行安全检查和监控是预防突发恐暴事件最有效的方法。随着安检技术的高速发展,在危险品检测领域出现了许多通过分析物质光谱进行分类识别的方法,其中太赫兹时域光谱技术借助太赫兹波谱的特异性被广泛使用。然而,传统的太赫兹时域光谱分类方法往往需要凭借经验知识手动筛选特征,识别过程耗时长、泛化能力差,且只能适用于小样本的场景中,难以满足实际安检中危险品检测实时、高效的需求。在危险品检测任务中还面临训练样本不足,可识别种类有限等问题。本文针对隐匿危险品太赫兹时域光谱实时分类相关问题,以易燃易爆液体为研究对象,重点关注其在隐匿结构下太赫兹时域光谱的分类识别,提出了融合Res Net和LSTM的太赫兹时域光谱数据识别方法,该方法使用隐匿结构下液体危险品的太赫兹时域光谱数据作为模型的输入,无需依赖人工经验进行特征提取即可实现危险品识别。具体工作内容如下:（1）针对实际安检中环境、物品种类和成分及隐匿结构多变导致的光谱数据分类准确性低的问题,研究复杂变量组合条件下的标注数据集构建方法。选取日常生活中常见的酒精、煤油、食用油、乳香油、松节油、松香油、樟脑油等七种易燃易爆危险品作为实验样品,选用棉、毛呢、皮革作为覆盖物,一次矿泉水瓶作为容器设计出三种隐匿结构,使用日本Advantest公司研发的反射式太赫兹时域光谱系统作为光谱测量仪器,建立隐匿危险品太赫兹时域光谱数据集。（2）针对传统太赫兹时域光谱识别方法在识别高维度复合型数据时分类效率和精准度较低的问题,提出一种融合残差网络（Res Net）和长短时记忆网络（LongShort Term Memory,LSTM）的太赫兹时域光谱隐匿危险品识别方法。首先将预处理后的太赫兹时域光谱数据集通过Res Net残差网络提取其空间维度特征,接着利用LSTM长短时记忆循环神经网络挖掘深层次时序特征,随后将采用Res Net与LSTM相融合的特征提取方法获得包含空间特征与时序特征的深度光谱特征输入softmax分类器进行分类识别。实验对酒精、煤油、食用油、乳香油、松节油、松香油、樟脑油等7类易燃易爆液体在隐匿结构下的太赫兹时域光谱数据进行测试分析,并将其与Res Net、CNN、FCN和MLP进行准确性比较。实验结果表明,采用Res NetLSTM网络的太赫兹时域光谱识别方法,分类准确率达到98.33%,比Res Net、CNN、FCN以及MLP中表现较好的CNN网络的识别准确率提高了4.84%。（3）针对太赫兹时域光谱数据匮乏导致基于深度学习算法的太赫兹时域光谱识别准确率较低的问题,提出了一种基于全连接辅助分类生成对抗网络的太赫兹时域光谱隐匿危险品样本增强方法。FC-ACGAN的生成器和判别器使用全连接层构建以提高生成数据的质量以及判别数据真伪的能力。实验首先采用反射型太赫兹时域光谱仪系统测量隐匿结构下的酒精、煤油、食用油、乳香油、松节油、松香油、樟脑油等7类易燃易爆液体的太赫兹时域光谱数据共1407条并输入FC-ACGAN模型生成新样本;随后将生成数据集与增强后的数据集分别注入深度学习分类模型,对识别精度指标进行分析测试,并与Mixup进行实验对比。使用FC-ACGAN对原始样本增强扩充后Res Net、CNN、FCN和MLP分类模型的识别准确率分别提高了4.8%、1.55%、5.76%、8.42%,而使用Mixup增强扩充后分类模型的识别准确率分别提高了2.73%、1.48%、2.17%、1.73%,比FC-ACGAN提升的幅度小。（4）结合FC-ACGAN对隐匿危险品太赫兹时域光谱数据扩充的有效性以及Res Net-LSTM对太赫兹时域光谱数据识别的精准性,提出了一种结合FC-ACGAN和Res Net-LSTM的隐匿危险品太赫兹时域光谱数据识别方法。首先将原始太赫兹时域光谱数据集输入FC-ACGAN模型生成新的数据样本,随后将生成的数据样本与原始数据样本混合形成扩充数据集,并送往Res Net-LSTM模型进行区分,识别准确率达到了99.42%,比在原始数据集上的分类准确率提高了1.09%。最后通过改变训练集中生成样本的数量,形成对比实验,实验结果表明随着训练集中生成样本数量的不断增加,分类准确率也在不断提高,验证了FC-ACGAN生成样本的有效性。